Introdução

Autor
Afiliação

Gean Pereira Damaceno

Departamento de Estatística - UFLA

0.1 Quem sou eu!

Foto de Gean Pereira Damaceno

  • 👤 Sou Gean Pereira Damaceno
  • 🎓 Técnico em Administração pelo IFPI (2019).
  • 🎓 Graduado em Licenciatura em Matemática pelo IFPI (2023).
  • 🎓 Mestre em Estatística e experimentação agropecuária pela UFLA (2025).
  • 📚 Estudante de estatística Departamento de Estatística da UFLA.
  • 💼 Bolsista na Zetta no projeto do Ministério da Gestão e da Inovação em Serviços Públicos MGI.

📧 Email: gedamaceno030@gmail.com 🌐 Website: Site

Sobre o minicurso

Sobre o minicurso

📍 Este minicurso apresenta métodos de análise espacial em três contextos principais:

  • 🗺️ Dados agregados por áreas
  • 📌 Processos pontuais
  • 🌐 Geoestatística

🎯 O público-alvo inclui estudantes e profissionais com conhecimentos básicos em regressão e estatística espacial.

📘 O material é baseado no livro Análise de Dados Espaciais com Aplicações em R (Scalon 2024) e conta com exemplos práticos em cada seção.

✍️ Como citar este minicurso:

Damaceno, G. P. (2026). Minicurso de Estatística Espacial em R.

📥 Baixar citação BibTeX:
Download do .bib

🎯 Objetivos do minicurso

Os principais objetivos deste minicurso são:

  • Introduzir os conceitos fundamentais da estatística espacial.
  • Apresentar métodos e técnicas para analisar dados espaciais.
  • Demonstrar como implementar esses métodos usando a linguagem de programação R.
  • Fornecer exemplos práticos e exercícios para consolidar o aprendizado.
📚 Estrutura do Minicurso (Seções)
  • Seção A — Instalação e Introdução: pacotes, estrutura de arquivos, como renderizar.
  • Seção B — Dados de Áreas: teoria, matrizes de pesos, Moran’s I, SAR/SEM, exemplos em R, exercícios.
  • Seção C — Processos Pontuais: Poisson inhomogêneo, LGCP, ajuste com spatstat, exercícios.
  • Seção D — Geoestatística: variogramas, ajuste, krigagem universal, predição, exercícios.
  • Seção E — Projeto de Pesquisa: sugestões para desenvolver um projeto em estatística espacial.

0.1.1 Instalação e execução

Instale os pacotes necessários para uma análise espacial em R

Instalação dos pacotes 
install.packages(c(
  "spdep", "spatialreg", "spatstat.core", "spatstat.geom", "gstat",
  "sp", "sf", "rgdal", "raster", "geoR", "dplyr"
))

1 Introdução à Estatística Espacial

O que é Estatística Espacial?

  • De acordo com Scalon (2024), a estatística espacial é um ramo da estatística que se concentra na análise de dados que possuem uma localização, representada por coordenadas geográficas e/ou regiões.

  • Conforme descrito por Scalon (2024) o que distingue a estatística espacial da clássica é a necessidade de que os dados possuam localizações geográficas, característica ausente na estatística clássica.

1.1 Tipos de Dados Espaciais

N. Cressie (1991) , N. A. C. Cressie (1993) , Gatrell et al. (1996) e Waller e Gotway (2004) classificam os dados espaciais em diferentes tipos, conforme a natureza da distribuição espacial, em três principais categorias:

Tipos de Dados Espaciais
  • Dados de Áreas
  • Dados Pontuais
  • Dados Geoestatísticos

1.1.1 Definições

Mapa ilustrando diferentes tipos de dados espaciais: dados de áreas, dados pontuais e dados geoestatísticos.

Definições dos Tipos de Dados Espaciais (Scalon 2024)

  • Dados de áreas, também conhecidos como dados de lattice ou dados de superfice discreta, são dados espaciais indexados a sub-regiões que constituem uma partição de um dominio contínuo.

  • Dados pontuais surgem quando as próprias localizações do evento é o objeto de interesse.

  • Dados geoestatísticos, também conhecidos como dados de superfícies contínuas.

1.2 Onde aplicar a estatística espacial?

A estatística espacial é amplamente aplicada em diversas áreas, incluindo:

  • Epidemiologia: Análise da distribuição espacial de doenças.
  • Ecologia: Estudo da distribuição de espécies e habitats.
  • Geografia: Análise de padrões espaciais em fenômenos geográficos.
  • Ciências ambientais: Monitoramento da qualidade do ar e da água.
  • Planejamento urbano: Análise de uso do solo e desenvolvimento urbano.
  • Agricultura: Mapeamento de produtividade e gestão de recursos.
  • Economia: Análise de mercados imobiliários e padrões econômicos regionais.
  • Ciências sociais: Estudo de padrões demográficos e sociais.
  • Saúde pública: Análise de acesso a serviços de saúde e distribuição de recursos.
  • Transportes: Planejamento de redes de transporte e análise de tráfego.
  • Climatologia: Estudo de padrões climáticos e mudanças ambientais.
  • Recursos naturais: Gestão e monitoramento de recursos naturais, como florestas e corpos d’água.

e muito mais áreas que envolvem dados geograficamente referenciados.

Agradecimentos e Apoio
  • Ministerio do desenvolvimento e inovação (MGI): apoio financeiro e na qual faço parte do projeto como colaborador.
  • Zetta agência de Tecnologia: apoio na divulgação e infraestrutura.
  • Zetta Lab: suporte técnico e infraestrutura computacional.
  • UFLA: Universidade Federal de Lavras, instituição de ensino e pesquisa.

Referências

Cressie, N. A. C. 1993. Statistics for Spatial Data. New York: Wiley.
Cressie, Noel. 1991. Statistics for Spatial Data. Revised Edition. Wiley Series em Probability e Statistics. Wiley-Interscience.
Gatrell, Anthony C., Trevor C. Bailey, Peter J. Diggle, e Barry S. Rowlingson. 1996. «Spatial point pattern analysis and its application in geographical epidemiology». Transactions of the Institute of British Geographers, 256–74.
Scalon, João D. 2024. Análise de Dados Espaciais com Aplicações em R. 1.ª ed. Lavras, MG: Editora UFLA.
Waller, Lance A., e Carol A. Gotway. 2004. Applied Spatial Statistics for Public Health Data. Wiley Series em Probability e Statistics. John Wiley & Sons.